1.一种纺织图像的特征提取方法，其特征在于，包括步骤：S1、将待提取特征的织物图像切分成M×M像素，并将织物图像转化为灰度图像；

S2、将步骤S1中转化为灰度图像的织物图像经过基于互相干准则的字典优化，得到织物图像的字典矩阵D；

S3、令步骤S2中得到的字典矩阵D＝Φ，并同灰度化织物图像共同构成稀疏表示模型y＝Φx+ξ，其中，y为灰度化织物图像，ξ为观测噪声，设置控制x更新的超参数α和控制ξ更新的超参数β，并根据稀疏贝叶斯学习稀疏表示模型进行求解，求得x的表达式，并更新超参数α、β以对x进行更新，最终得到织物图像的稀疏特征x；

步骤S2中，具体包括以下步骤：

S2.1、初始化N×L维的字典矩阵D0，随机生成与织物图像同维的测量矩阵ψ，并使测量矩阵ψ正交化；

S2.2、对字典矩阵D0的列向量进行模值归一化处理；

S2.3、计算字典矩阵D0的列向量之间的互相干性u：其中，di，dj为字典矩阵的列向量，且i≠j；

T

S2.4、对字典矩阵D0进行奇异值分解，即：D0＝USV；

其中，U为N阶正交矩阵，S为降序排列的非负对角线元素组成的N×L矩形对角阵，V为L阶正交矩阵；

S2.5、对矩阵S进行优化，使得：S(N+1:end,L+1:end)＝u,以得到优化后的矩阵S'；

S2.6、对字典矩阵D0进行学习，迭代公式如下：T

D’＝U*S’*V，

其中D’表示迭代后的字典矩阵；

S2.7、判断迭代次数是否达到预设迭代次数n，若否，则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵，并重复上述步骤S2.3‑S2.6，若是，则输出学习后的字典矩阵，即优化后的字典矩阵D；

步骤S3中，具体包括以下步骤：

S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y；

S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和，建立相应的数学模型并计算，具体过程如下：y＝Φx+ξ                   (1)其中y为N×M维的灰度化织物图像，Φ为步骤S2更新获得的N×L维的字典矩阵D，x为L×M维的稀疏性特征图像，ξ为N×M维的观测噪声，且 即ξ服从期望为0，方差2

为σ的正态分布；

‑1 2

令β ＝σ，则y的高斯似然模型表示为：其中，μx为x的期望；

根据稀疏贝叶斯学习的算法思想，假定x服从高斯分布，则对x赋予先验条件概率模型，表示为：其中， α是超参数用于控制x的先验方差；

根据贝叶斯公式得：

S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter；

S3.4、初始化α和β的值；

S3.5、通过步骤S3.2计算得x的后验分布为：‑1 T

μx＝β ∑xΦy         (6)‑1 T ‑1 ‑1

∑x＝(β ΦΦ+A )        (7)其中μx为x的期望，∑x为x的方差；

S3.6、根据α和β的值，结合S3.5中的(6)、(7)对μx，∑x进行估计计算；

S3.7、利用步骤S3.6得到μx和∑x更新α和β，更新公式如下：n n+1 n+1

其中α表示更新前超参数α的值，α 表示更新后超参数α的值，β 表示更新后超参数β的值，(∑x)ii为∑x第i个对角元素；

S3.8、计算迭代截止条件 并判断e＜xThresh是否成立，若成立，则停止迭代，此时的μx为最终学习得到的稀疏特征图像x，若不成立，则继续判断迭代次数是否大于Max_iter，若满足则停止迭代，此时的μx为最终学习得到的稀疏特征图像x，若两个条件均不成立，则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6‑S3.7。

2.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，步骤S2.7中预设迭代次数n＝1000。

‑8

3.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，xThresh为10 。

4.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，Max_iter为

2000。

5.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，将待提取特征的织物图像切分成96×96像素。